5 ANÁLISE DOS RESULTADOS
Nesta etapa do trabalho foram realizadas análises estatísticas para a interpretação dos resultados obtidos nos testes com a amostra coletada e para permitir a realização de inferências na população. Foi utilizado o software estatístico Minitab 13, versão demonstração.
5.1 Aferição da máquina MSR
Foi realizada a aferição da máquina MSR a partir dos resultados obtidos nos testes de flexão estática em relação ao eixo de menor inércia e nos testes com a máquina MSR. Para aferir os resultados da máquina MSR foi utilizado o modelo da regressão linear simples, tomando como variável independente os valores de MOE medidos nos testes de flexão estática e como variável dependente os valores medidos na máquina MSR.
Este é o modelo mais simples para descrever a relação entre uma variável independente x e uma variável dependente y.
No modelo de regressão linear simples são feitas as seguintes suposições:
1) A média dos ε
ié zero e sua variância σ
2é desconhecida e constante, para n
i ≤
≤
1 ;
2) Para , i ≠ j , ε
ie ε
jnão são correlacionados, isto é, COV( ε
i; ε
j)=0, para j
i ≠ , i ≤ 1 e j ≤ n;
3) A distribuição dos ε
ié normal, para 1 ≤ i ≤ n .
Não se pode fazer inferências sobre a população a menos que se cumpram as três considerações acima.
O modelo da regressão linear simples debruça-se sobre a relação de tipo linear entre a variável dependente (y) e a variável independente (x). Ou seja, a relação entre as variáveis x e y das populações x e y correspondentes é representada por uma reta do tipo:
i i
i
x
x
y ( ) = α + β ( ) + ε (12)
Sendo:
y = variável resposta;
x
i= variável independente para a observação i;
α = constante;
β = coeficiente angular;
ε
i= resíduo; reflete o fato de que as variações de y não são totalmente explicadas pelas variações de x.
Como, geralmente, a reta de regressão da população não é conhecida, esta deve ser estimada a partir dos dados amostrais. Portanto deve-se determinar uma equação de curva que se ajuste ao grupo de dados. A qualidade do modelo ajustado tem de ser avaliada antes de se concluir algo a respeito do grau de influência da variável x na variável y, ou de utilizar o modelo ajustado para fazer inferências.
Portanto, considerando-se os dados do MOE obtidos nos testes de flexão estática em relação ao eixo de menor inércia como sendo a variável independente (x), portanto, isenta de erros, e os dados do MOE obtidos na máquina MSR como a variável dependente (y) é possível investigar a influencia do MOE medido com a maquina MSR, com MOE medido nos testes de flexão estática por meio da análise de regressão linear.
A figura 47 apresenta um diagrama de dispersão entre os módulos de
elasticidade medidos nos testes de flexão estática e na máquina MSR, dados na
tabela 26.
25000 15000
5000 40000
30000
20000
10000
0
MOE estático (MPa)
MOE MSR (MPa)
Regressão Linear Simples
Figura 47 – Diagrama de dispersão e reta de regressão entre MOE estático e MOE MSR.
Observa-se no diagrama de dispersão o aumento do erro com o aumento da magnitude do MOE
estático. Isto indica que a variância não é constante, o gráfico dos resíduos contra os valores estimados confirma esta observação.
Análise de resíduos
A figura 48 apresenta o gráfico dos resíduos contra os valores estimados para o MOE medido na máquina MSR, no qual se observa que a variância não é constante, pois, o gráfico apresenta forma afunilada. Portanto foi necessário realizar uma transformação dos dados para estabilizar a variância.
30000 20000
10000 0
10000
5000
0
-5000
Valores estimados
Resíduos
Resíduos contra valores estimados
Variável resposta: MOE MSR
Figura 48 – Gráfico dos resíduos contra valores estimados para o MOE MSR.
Na figura 49 é apresentado o gráfico dos resíduos contra os escores normais, no qual se observa que os resíduos não apresentam distribuição normal, visto que os dados não se distribuem ao longo de uma reta.
10000 5000
0 -5000
3 2
1
0
-1
-2
-3
Escores normaisl
Resíduos
Probabilidade normal dos resíduos
Variável resposta: MOE MSR
Figura 49 – Gráfico dos resíduos contra os escores normais.
Portanto foi necessário realizar uma transformação dos dados de forma a se obter uma distribuição normal para os resíduos, e a homogeneidade da variância.
Para a determinação da equação que melhor ajusta os dados para uma distribuição normal foi utilizado o método de BOX-COX (1964). Este método aplica uma transformação exponencial nos dados, de forma a aproxima-los de uma distribuição normal. Para situações em que a variável dependente y é conhecida e positiva, as seguintes transformações podem ser usadas:
=
≠
−
=
) ( 0 )
ln(
) ( 1 0
) (
b quando
y
a quando
y y
T
i i i
λ λ λ
λ
(13) Sendo que λ assume valores entre –3 a +3. Não é garantido, mas quase sempre algum valor de lambda (λ) resulta em normalidade. Quando λ se aproximar de zero, então ao equação de transformação é dada por ln( y ) .
Na prática, muitas vezes as transformações da equação 13 são simplificadas
para as seguintes equações:
=
≠
= =
0 )
ln(
0 3
...
2 , 1 2 , 1 )
(
λ λ
λ
λ
para y
e para
com y Y
T
i i
(14) O software Minitab 13 adota as equações simplificadas.
As figuras 50 e 51 apresentam, a determinação do λ
ótimopara a transformação dos dados do MOE
MSRe do MOE
estáticorespectivamente, desconsiderando-se as observações extremas (outlier).
5 4 3 2 1 0 -1 -2 -3 -4 -5 15000
10000
5000
Intervalo de confiança de 95%
Desvio padrão
Lambda
Última iteração
3302,113 3301,907 3302,894
0,170 0,113 0,056
Sd Lambda
Sup Es t Inf
Transformação de Box-Cox para o MOE MSR
Figura 50 – Determinação do λ
ótimopara o MOE
MSR.
5 4 3 2 1 0 -1 -2 -3 -4 -5 11000 10000 9000 8000 7000 6000 5000 4000 3000
Intervalo de confiança de 95%
Desvio padrão
Lambda
Última iteração
3027,851 3027,570 3028,093
0,282 0,225 0,169
Sd Lambda
Inf Es t Sup
Transformação de Box-Cox para o MOE estático
Figura 51 – Determinação do λ
ótimopara o MOE
estático.
Como o valor de λ
ótimopara o MOE
MSRé próximo de zero, foi utilizada a
transformação lognormal para estes dados. Portanto, foram aplicadas as
transformações dadas nas equações 15 e 16 para o MOE
MSRe para o MOE
estáticorespectivamente.
) (
)
( MOE Ln MOE
MSRT = (15)
225 ,
)
0( MOE MOE
estáticoT = (16)
A figura 52 apresenta o gráfico dos resíduos contra os valores estimados para os dados transformados, onde se observa a homogeneidade da variância.
10,5 9,5
8,5 0,3
0,2 0,1 0,0 -0,1 -0,2 -0,3 -0,4
Valores estimados
Resíduos
Resíduos contra valores estimados
Variável resposta: MOE MSR (transformado)
Figura 52 – Resíduos contra valores estimados para os dados transformados.
A figura 53 apresenta o gráfico dos resíduos contra os escores normais, no qual se observa que os resíduos apresentam um padrão muito próximo da normalidade.
0,3 0,2 0,1 0,0 -0,1 -0,2 -0,3 -0,4 3
2
1
0
-1 -2
-3
Escores normais
Resíduos
Resíduos contra escores normais
Variável resposta: MOE MSR (transformado)
Figura 53 – Resíduos contra escores normais para os dados transformados.
Pode-se chegar à mesma conclusão pela observação do histograma dos resíduos, dado na figura 54.
0,4 0,3 0,2 0,1 0,0 -0,1 -0,2 -0,3 -0,4 60 50 40 30 20 10 0
Resíduos
Frequência
Histograma dos resíduos
Variável resposta: MOE MSR (transformado)
Figura 54 – Histograma dos resíduos para os dados transformados.
A figura 55 apresenta o gráfico de dispersão para os dados transformados.
10 9
8 7
10,5
10,0
9,5
9,0
8,5
8,0
MOE estatico-transf. (MPa)
MOE MSR-transf. (MPa)
S = 0,102948 R-Sq = 92,5 % R-Sq(adj) = 92,5 % MOE MSR-trans f. (MPa) = 0,597230 MOE estático-transf. (MPa )+ 4,39183
IP 90%
IC 90%
Regresão
Regressão linear simples
Figura 55 – Diagrama de dispersão e reta de regressão entre MOE estático e MOE MSR, para os dados transformados.
Diante das constatações acima, verifica-se que são cumpridas as três
suposições do modelo. Portanto, a análise de variância pode ser usada para verificar a
qualidade do modelo ajustado. Esta é mostrada na tabela 38.
Tabela 38 – Quadro de ANOVA para os dados do MOE
MSRe do MOE
estático, transformados.
Fonte de variação. SQ gl QM Fcal Valor-p
Regressão 73,7597 1 73,7597 6959,59 0,000
Erro 5,9774 564 0,0106
Total 79,7371 565
Considera-se o seguinte teste de hipótese para os dados da tabela 38:
≠
= 0 :
0 :
1 0
β β H
H (17)
A hipótese nula é a de que a variação de y não depende de x, portanto rejeitando H
0admite-se que y é função de x. Assim, para um nível de significância
05 ,
=0
α
. A hipótese nula deve ser rejeitada se F
cal> F
0,05;1;(n−2), isto é, a região de rejeição é R : F
cal> F
0,05;1;(n−2), assim da tabela F com (2-1) = 1 grau de liberdade para a regressão e (566-2) = 564 graus de liberdade para os resíduos, tem-se
84 ,
)
3
564
; 1 (
; 05 ,
0
=
F , isto é, a região de rejeição é R : F
cal> 3 , 84 .
Como F
cal= 6959,59 > F
0,05; 1,564= 3,84 rejeita-se H
0ao nível de significância α = 0 , 05 . De acordo com os dados a um nível de significância de
05 ,
= 0
α , pode-se concluir que existe evidência estatística de que a proporção da variância total explicada pela equação de regressão é altamente significativa, portanto o modelo de regressão linear dado por
391 , 4 ) ( 5972
, 0 )
.
( = ⋅ +
−
MPa MOE MPa
MOE
MSR transf estáticoé adequado para
representar a relação entre os dados transformados do MOE
estáticoe do MOE
MSR, para a espécie e dimensões consideradas.
Para representar a relação entre o MOE
estáticoe o MOE
MSRpara os dados originais, ou seja, sem transformação, basta realizar a transformação inversa nos dados, deste modo chega-se à equação18.
] 391 , 4 ) ( 5972 , 0
[ 0,225
71828 , 2 )
( =
⋅MOE MPa +MSR
MPa
MOE (18)
Intervalo de confiança e Intervalo de previsão
Uma aplicação importante do modelo de regressão é estimar valores da
variável resposta (y) para um valor específico do estimador (x). Para tal finalidade
deve-se construir intervalos de confiança (I.C.) e de previsão (I.P.) para as estimativas.
Os intervalos de confiança e de previsão (100-α)% para a população podem ser determinados pelas equações 19 e 20 respectivamente
xx
n
S
x x Se n
Y t IC
2 2
/
; 2
^
1 ( )
)%
100
( − α = ±
− α⋅ ⋅ + − (19)
xx
n
S
x x Se n
Y t IP
2 2
/
; 2
^
1 ( )
1 )%
100
( − α = ±
− α⋅ ⋅ + + − (20)
Sendo:
Y
^
= Variável resposta estimada pela equação de regressão;
t
n−2;α/2= valor obtido da tabela t de student;
Se = Erro padrão estimado =
2 ) (
^ 2−
∑ −
n Y Y
;
S
xx= [ ( ) ]
n x x
n ⋅ ∑
2− ∑
2.
Para os dados originais os intervalos de confiança e de previsão de 90% são dados pelas equações 21 e 22 respectivamente.
12 , 66
)2 34 , 225 8 , ( 0
564 1711 1 , 0 ) 391 , 225 4 , 5972 0
, 0 (
7183 , 2
% 90
+ −
⋅
± +
=
⋅estático MOE estatico
MOE
IC (21)
12 , 66
)2 34 , 225 8 , ( 0
564 1 1 1711 , 0 ) 391 , 225 4 , 5972 0
, 0 (
7183 , 2
% 90
+ − +
⋅
± +
=
⋅estático MOE estatico
MOE
IP (22)
5.2 Aferição do equipamento de vibração transversal
A aferição do equipamento de vibração transversal foi realizada da mesma
forma que a aferição da máquina MSR, ou seja, foi realizada uma análise de
regressão linear simples entre os dados do MOE medido por testes de flexão estática
em relação ao eixo de menor inércia e pelo equipamento de vibração transversal.
A figura 56 apresenta o gráfico de dispersão e a reta de regressão entre os dados do MOE medidos nos testes de flexão estática e pelo equipamento de vibração transversal.
25000 15000
5000 30000
20000
10000
0
MOEestático (MPa)
MOE Vibração transversal (MPa)
S = 568,276 R-Sq = 98,1 % R-Sq(adj) = 98,1 % MOE vibr. trans v. (MPa) = 0,997217MOEestático(MPa) + 387,882
I.P. 95%
I.C. 95%
Regress ão
Regressão linear simples
Figura 56 – Diagrama de dispersão e reta de regressão entre MOE
estáticoe MOE
vibração-transversal.
Análise dos Resíduos
A figura 57 apresenta o gráfico dos resíduos contra os valores estimados para os dados do MOE obtidos com o equipamento de vibração transversal. Observa-se a constância da variância.
25000 15000
5000 2000
1000
0
-1000
-2000
Valores estimados
Resíduos
Resíduos contra valores estimados
Variável resposta: MOEvibr. transv.
Figura 57 – Resíduos contra valores estimados para os dados do MOE obtido na
vibração transversal.
A figura 58 apresenta o gráfico dos resíduos contra os escores normais, no qual se observa que os resíduos se distribuem segundo um padrão aproximadamente normal.
2000 1000
0 -1000
-2000 3 2
1
0
-1
-2 -3
Escores normais
Resíduos
Resíduos contra escores normais
Variável resposta: MOEvibr. transv.
Figura 58 – Resíduos contra escores normais para os dados do MOE obtido na vibração transversal.
Pode-se chegar à mesma conclusão pela análise do histograma dos resíduos mostrado na figura 59.
2000 1000
0 -1000
-2000 100
90 80 70 60 50 40 30 20 10 0
Resíduos
Frequência
Histograma dos resíduos
Variável resposta: MOEvibr. transv.
Figura 59 – Histograma dos resíduos para os dados do MOE obtido na vibração transversal.
A tabela 39 apresenta o quadro de ANOVA utilizado para verificar a
qualidade do modelo ajustado.
Tabela 39 – Quadro de ANOVA para os dados de E
me f
mtransformados
Fonte de variação. SQ gl QM Fcal Valor-p
Regressão 9447473669 1 9447473669 29254,80 0,000
Erro 185366188 574 322938
Total 9632839857 575
Como F
cal= 29254,80 > F
0,05; 1,574= 3,840 rejeita-se H
0ao nível de significância α = 0 , 05 . De acordo com os dados a um nível de significância de
05 ,
= 0
α , pode-se concluir que existe evidência estatística de que a proporção da variância total explicada pela equação de regressão é altamente significativa.
Portanto o modelo de regressão linear dado por 882
, 387 ) ( 9972
, 0 )
.
( = ⋅ +
−
MPa MOE MPa
MOE
vibração transvé adequado para representar
a relação entre o MOE
estáticoe o MOE
vibração-transversal, para a espécie e dimensões consideradas.
Intervalo de confiança de Intervalo de previsão
Os intervalos de confiança e de previsão de 90% para os dados em questão são dados nas equações 23 e 24 respectivamente.
9 2 .
. 9,5 10
) 13033 (
576 85 1 , 934 88 , 387 997
, 0
% 90
` +
⋅ + −
⋅
± +
⋅
= est est
MOE MOE
IC
(23)
80 2 .
. 9,5 10
) 13033 (
576 1 1 85 , 934 88 , 387 997
, 0
% 90
` ⋅
+ − +
⋅
± +
⋅
= est est
MOE MOE
IP
(24)
5.3 Verificação da influência da disposição das pranchas na determinação do MOE estático
Deseja-se verificar se existe diferença estatisticamente significativa nos valores médios do MOE medidos em relação ao eixo de menor inércia com os valores medidos em relação ao eixo de maior inércia, para cada classe isoladamente.
Esta análise foi realizada com os dados das tabelas 26, 28, 29, 30 e 31. A ferramenta
estatística utilizada foi a análise de variância para detectar se há diferença entre os
tratamentos, e o teste t para dados pareados para verificar se a diferença entre os
tratamentos é significativa.
Classe Nº2-ND
A figura 60 apresenta o gráfico dos resíduos contra os valores estimados, no qual se observa a heterogeneidade da variância.
9000 8500
8000 7500
4000 3000 2000 1000 0 -1000 -2000 -3000 -4000
Valores estimados
Resíduos
Resíduos contra valores estimados
Variável resposta: MOE agrupado (Nº2-ND)
Figura 60 - Gráfico de resíduos contra valores estimados para os dados agrupados do MOE da classe Nº2-ND.
A figura 61 apresenta o gráfico dos escores normais, no qual se observa que os dados não se distribuem segundo o padrão de normalidade.
4000 3000 2000 1000 0 -1000 -2000 -3000 -4000 2
1
0
-1
-2
Escores normais
Resíduos
Resíduos contra escores normais
Variável resposta: MOE agrupado (Nº2-ND)
Figura 61 – Gráfico de resíduos contra os escores normais para os dados agrupados do MOE da classe Nº2-ND.
Foi realizada a transformação de Box-Cox nos dados, conforme mostra a
figura 62.
5 4 3 2 1 0 -1 -2 -3 -4 -5 2600
2100
1600
Intervalo de confiança de 95%
Desvio padrão
Lambda
Última iteração
1603,234 1603,048 1603,031
0,506 0,449 0,392
Sd Lambda
Sup Est Inf
Transformação de Box-Cox
Figura 62 – Determinação do λ
ótimopara os dados agrupados do MOE da classe Nº2- ND.
Portanto, a transformação aplicada nos dados foi:
449 ,
)
0( MOE MOE
T = (25)
A figura 63 apresenta o gráfico dos resíduos contra os valores estimados para os dados transformados, no qual se observa a homogeneidade da variância.
59,5 59,0 58,5 58,0 57,5 57,0 56,5 56,0 55,5 55,0 10
0
-10
Valores estimados
Resíduos
Resíduos contra valores estimados
Variável resposta: MOE transformado (Nº2-ND)
Figura 63 - Gráfico de resíduos contra valores estimados para os dados transformados e agrupados do MOE da classe Nº2-ND.
A figura 64 apresenta o gráfico dos resíduos contra os escores normais, no
qual se observa a normalidade dos resíduos.
10 0
-10 2
1
0
-1
-2
Escores normais
Resíduos
Resíduos contra escores normais
Variável resposta: MOE transformado (Nº2-ND)
Figura 64 – Gráfico de resíduos contra os escores normais para os dados transformados do MOE da classe Nº2-ND.
A figura 65 apresenta o teste de normalidade de Shapiro-Wilk para os dados, no qual se conclui que a suposição de normalidade foi aceita pelos dados amostrais ao nível de significância α = 0 , 05 .
Valor-p (aproximado): > 0,1000 R: 0,9892 N: 48
Desvio padrão: 4,79133 Média: 57,2357
70 60
50 ,999
,99 ,95 ,80 ,50 ,20 ,05 ,01 ,001
Probabilidade
MOE transformado (Nº2-ND)
Teste de Normalidade (Shapiro-Wilk)
Figura 65 – Teste de normalidade para os dados transformados do MOE da classe Nº2-ND.
Cumprida as suposições do modelo, a tabela de ANOVA é adequada para a
análise dos dados. Esta é mostrada na tabela 40.
Tabela 40 – Valores do quadro de ANOVA para os dados do MOE da classe Nº2- ND.
Fonte de variação. SQ gl QM Fcal Valor-p Entre tratamentos
(orientação). 218,2 1 218,2 11,66 0,001 Dentro de tratamentos
(Resíduos). 860,8 46 18,7 Total 1079,0 47
Da tabela F com (2-1) = 1 grau de liberdade para os tratamentos e (48-2) = 46 graus de liberdade para os resíduos, tem-se F
0,05;(1;46)= 4 , 06 . Como F
cal= 11,66 >
F
0,05; 1,46= 4,06 a um nível de significância de α = 0 , 05 , pode-se concluir que existe diferença significativa no valor médio do MOE medido em relação ao eixo de maior inércia, com o valor médio do MOE medido em relação ao eixo de menor inércia, para a classe Nº2-ND.
Teste de significância
Apesar dos tratamentos conduzirem a resultados diferentes é necessário verificar se a diferença entre os tratamentos é significativa. Foi utilizado o teste t para dados pareados.Este teste é baseado na estatística t, conforme segue:
n Sd t d
= / (26)
Sendo:
n d d
n
i i
= ∑
=1, média das diferenças das observações;
1 )
1
(
2 2
−
∑ −
=
=n
d Sd d
n
i i
, variância das diferenças;
d
i= d
1i- d
2i, diferença entre os tratamentos 1 e 2, para a observação i.
Deseja-se realizar o seguinte teste de hipótese:
≠
−
=
−
) (
0 :
) (
0 :
2 1 1
2 1 0
iva significat é
diferença a
H
iva significat é
não diferença a
H
µ µ
µ
µ (27)
A hipótese nula é rejeitada quando |t|>|t
crítico|. Sendo que t
crítico= t
α/2,νobtido
da tabela t com nível de significância α/2 e [n-1] graus de liberdade.
A tabela 41 apresenta o resultado do teste t para os dados pareados do MOE para a classe Nº2-ND.
Tabela 41 – Teste t para os dados pareados do MOE para a classe Nº2-ND.
Menor inércia Maior inércia
Média 59,368 55,104
Variância 22,184 15,240
Observações 24 24
gl 23
Stat t 6,728
t crítico 1,714
Teste-t: duas amostras para médias pareadas
Portanto, como t = 6,728 > t
crítico= 1,714, conclui-se que a diferença entre os módulos de elasticidade medidos com as peças em orientações diferentes é significativa ao nível de significância α = 0,05 para a classe Nº2-ND.
Classe Nº2-D
A tabela 42 apresenta o quadro de ANOVA para os dados transformados do MOE para a classe Nº2-D.
Tabela 42 – Valores do quadro de ANOVA para os dados transformados do MOE da classe Nº2-D.
Fonte de variação. SQ gl QM Fcal Valor-p Entre tratamentos
(orientação). 0,3327 1 0,3327 8,21 0,006 Dentro de tratamentos
(Resíduos). 1,7824 44 0,0405 Total 2,1151 45
Da tabela F com (2-1) = 1 grau de liberdade para os tratamentos e (46-2) = 44 graus de liberdade para os resíduos, tem-se F
0,05;(1;44)= 4 , 06 . Como F
cal= 8,21 > F
0,05;1,44
= 4,06 a um nível de significância de α = 0 , 05 , pode-se concluir que existe diferença significativa no valor médio do MOE medido em relação ao eixo de maior inércia, com o valor médio do MOE medido em relação ao eixo de menor inércia, para a classe Nº2-D.
Teste de significância
A tabela 43 apresenta o resultado do teste t para os dados pareados do MOE
para a classe Nº2-D.
Tabela 43 – Teste t para os dados pareados do MOE para a classe Nº2-D.
Menor inércia Maior inércia
Média 9,279 9,104
Variância 0,070 0,043
Observações 24 24
gl 23
Stat t 7,360
t crítico 1,714
Teste-t: duas amostras para médias pareadas
Portanto, como t = 7,360 > t
crítico= 1,714, conclui-se que a diferença entre os módulos de elasticidade medidos com as peças em orientações diferentes é significativa ao nível de significância α = 0,05, para a classe Nº2-D.
Classe SS-ND
A tabela 44 apresenta o quadro de ANOVA para os dados transformados do MOE para a classe SS-ND.
Tabela 44 – Valores do quadro de ANOVA para os dados transformados do MOE da classe SS-ND.
Fonte de variação. SQ gl QM Fcal Valor-p Entre tratamentos
(orientação). 4034003 1 4034003 4,43 0,041 Dentro de tratamentos
(Resíduos). 41896775 46 910799 Total 45930778 47
Da tabela F com (2-1) = 1 grau de liberdade para os tratamentos e (48-2) = 46 graus de liberdade para os resíduos, tem-se F
0,05;(1;46)= 4 , 06 . Como F
cal= 4,43 > F
0,05;1,46
= 4,06 a um nível de significância de α = 0 , 05 , pode-se concluir que existe diferença significativa no valor médio do MOE medido em relação ao eixo de maior inércia, com o valor médio do MOE medido em relação ao eixo de menor inércia, para a classe SS-ND.
Teste de significância
A tabela 45 apresenta o resultado do teste t para os dados pareados do MOE
para a classe SS-ND.
Tabela 45 – Teste t para os dados pareados do MOE para a classe SS-ND.
Menor inércia Maior inércia
Média 4473,573 3893,773
Variância 1063074,607 758525,886
Observações 24 24
gl 23
Stat t 5,215
t crítico 1,714
Teste-t: duas amostras para médias pareadas
Portanto, como t = 5,215 > t
crítico= 1,714, conclui-se que a diferença entre os módulos de elasticidade medidos com as peças em orientações diferentes é significativa ao nível de significância α = 0,05, para a classe SS-ND.
Classe SS-D
A tabela 46 apresenta o quadro de ANOVA para os dados transformados do MOE para a classe SS-D.
Tabela 46 – Valores do quadro de ANOVA para os dados transformados do MOE da classe SS-D.
Fonte de variação. SQ gl QM Fcal Valor-p Entre tratamentos
(orientação). 474,7 1 474,7 9,70 0,003 Dentro de tratamentos
(Resíduos). 2249,9 46 48,9
Total 2724,6 47
Da tabela F com (2-1) = 1 grau de liberdade para os tratamentos e (48-2) = 46 graus de liberdade para os resíduos, tem-se F
0,05;(1;46)= 4 , 06 . Como F
cal= 9,70 > F
0,05;1,46
= 4,06 a um nível de significância de α = 0 , 05 , pode-se concluir que existe diferença significativa no valor médio do MOE medido em relação ao eixo de maior inércia, com o valor médio do MOE medido em relação ao eixo de menor inércia, para a classe SS-D.
Teste de significância
A tabela 47 apresenta o resultado do teste t para os dados pareados do MOE
para a classe SS-D.
Tabela 47 – Teste t para os dados pareados do MOE para a classe SS-D.
Menor inércia Maior inércia
Média 79,417 73,128
Variância 67,238 30,586
Observações 24 24
gl 23
Stat t 6,792
t crítico 3,151E-07
Teste-t: duas amostras para médias pareadas
Portanto, como t = 6,792 > t
crítico= 3,151E-07, conclui-se que a diferença entre os módulos de elasticidade medidos com as peças em orientações diferentes é significativa ao nível de significância α = 0,05, para a classe SS-D.
5.4 Análise dos resultados do MOE em relação ao eixo de maior inércia
Deseja-se testar a hipótese nula de que as médias dos resultados obtidos para o MOE medido em relação ao eixo de maior inércia são todas iguais contra a hipótese alternativa de que as médias são diferentes. Foram analisados os dados das tabelas 28 a 31. A análise dos resultados do MOE inicia-se com a verificação da adequabilidade do modelo.
Verificação da adequabilidade do modelo
Foi utilizado o método gráfico dos resíduos contra os valores estimados para a análise dos resíduos. A figura 66 mostra este gráfico para os dados do MOE em relação ao eixo de maior inércia. O gráfico indica que a variância é constante.
14500 13500 12500 11500 10500 9500 8500 7500 5000
0
-5000
Valores estimados
Resíduos
Resíduos contra valores estimados
Variável resposta: MOE (MPa)
Figura 66 – Gráfico de resíduos contra valores estimados para os dados do MOE.
A normalidade dos resíduos foi verificada pelo gráfico dos resíduos contra os escores normais, com o qual verificou-se que a distribuição dos resíduos não segue o padrão de normalidade.
5000 0
-5000 3
2
1
0
-1
-2
-3
Escores normais
Resíduos
Resíduos contra escores normais
Variável resposta: MOE (MPa)
Figura 67 – Gráfico de probabilidade normal dos resíduos.
Para verificar a normalidade dos dados foi utilizado o teste de Shapiro-Wilk, e concluiu-se que a suposição de normalidade foi rejeitada, conforme mostra a figura 68.
Valor-p (aproximado): < 0,0100 R: 0,9679 N: 96
Desvio padrão: 3222,88 Média: 10247,9
19000 14000
9000 4000
,999 ,99 ,95 ,80 ,50 ,20 ,05 ,01 ,001
Probabilidade
MOE (MPa)
Teste de normalidade (Shapiro-Wilk)
Figura 68 – Teste de normalidade para os dados do MOE.
Para se obter a normalidade aproximada e também a homogeneidade da
variância foi utilizada a transformação de Box-Cox. A figura 69 mostra a
determinação do λ
ótimopara esta transformação.
5 4 3 2 1 0 -1 -2 -3 -4 -5 9000 8000 7000 6000 5000 4000 3000 2000
95% Confidence Interval
Desvio padrão
Lambda
Última iteração
1972,759 1972,566 1973,229
0,170 0,113 0,056
Sd Lambda
Sup Es t Inf
Transformação de Box-Cox
Figura 69– Determinação do λ
ótimopara o MOE.
Como λ
ótimoé próximo de zero, foi utilizada a transformação lognormal do MOE, como mostra a equação 28.
) ( )
( MOE Ln MOE
T = (28)
A homogeneidade da variância foi novamente verificada por meio da análise do gráfico dos resíduos contra os valores estimados, conforme mostrado na figura 70.
9,6 9,5 9,4 9,3 9,2 9,1 9,0 8,9 0,5
0,0
-0,5
Valores estimados
Resíduos
Resíduos contra valores estimados
Variável resposta: MOE transformado (MPa)
Figura 70 – Gráfico de resíduos contra valores estimados para os dados do MOE transformados pela equação 30.
Observa-se que a variância permanece constante.
Para verificar a normalidade dos resíduos foi utilizado o gráfico dos escores normais. A figura 71 mostra este gráfico, no qual se observa que os resíduos seguem uma distribuição normal aproximada.
0,5 0,0
-0,5 3
2
1
0
-1
-2
-3
Escores normais
Resíduos
Resíduos contra valores estimados
Variável resposta: MOE transformado (MPa)
Figura 71 – Gráfico de probabilidade normal para os dados da tabela 32.
O teste de Shapiro-Wilk confirma a normalidade dos dados, conforme mostra a figura 72.
Valor-p (aproximado): 0,0919 R: 0,9886 N: 96
Desvio padrão: 0,304237 Média: 9,18831
9,9 9,4
8,9 8,4
,999 ,99 ,95 ,80 ,50 ,20 ,05 ,01 ,001
Probabilidade
MOE transformado (MPa)
Teste de normalidade(Shapiro-Wilk)
Figura 72 –Teste de normalidade de Shapiro-Wilk para o MOE transformado.
Cumprida as suposições do modelo, a tabela de ANOVA é adequada para a
análise dos dados.
Tabela 48 – Valores do quadro de ANOVA para os dados do MOR transformados.
Fonte de variação. SQ gl QM Fcal Valor-p Entre tratamentos
(classes). 5,0643 3 1,6881 41,65 0,000 Dentro de tratamentos
(Resíduos). 3,7289 92 0,0405 Total 8,7932 95
Da tabela F com (4-1) = 3 graus de liberdade e (96-4) = 92 graus de liberdade, tem-se F
0,05;(3;92)= 2 , 717 . Como F
cal= 41,65 > F
0,05; 3,92= 2,717 a um nível de significância de α = 0 , 05 , pode-se concluir que existe evidência estatística de que existe diferença no MOE médio para os 4 tipos de tratamentos.
Portanto, para verificar quais são as médias que diferem entre si, utiliza-se o método de TUKEY (1977) para verificação de todos os tratamentos pareados.
Teste de Tukey
Número de tratamentos (k) = 4;
MSE = 0,0405;
Graus de liberdade dos resíduos (N - k) = 92;
Então, para
α=0,05tem-se da tabela t de student o valor de t
0,025;92= 1,99. A diferença menos significativa (DMS) é dada por:
122 , 24 0
1 24 045 1 , 0 99 , 1 1 1
, 2
/
=
+
⋅
⋅
=
+
⋅
⋅
=
j
i
n
MSE n t
DMS
α ν(29)
A tabela 49 apresenta as comparações múltiplas pareadas.
Tabela 49 - Comparações múltiplas pareadas para as médias do MOE transformado.
Tratamento 1 (Nº2-ND) 2 (Nº2-D) 3 (SS-ND) 4 (SS-ND)
Média (yt) 8,925 9,104 9,170 9,555
* -0,179** -0,245** -0,630**
* -0,066 -0,451**
* -0,385**
Diferença (yi −yj)
*
* (-0,330;-0,026) (-0,397; -0,093) (-0,781; -0,477)
* (-0,219; 0,085) (-0,603; -0,298) IC 95%
(yi −yj)
* (-0,536; -0,232)
Portanto, conclui-se que não há diferença estatisticamente significativa de
MOE somente entre as classes Nº2-D e SS-ND.
5.5 Análise dos resultados do MOR em relação ao eixo de maior inércia
Deseja-se testar a hipótese nula de que as médias dos resultados obtidos para o MOR em cada classe (tratamento) dadas nas tabelas 28 a 31 são iguais entre si. Foi utilizada a análise de variância para a comparação dos quatro tratamentos.
Análise de resíduos
A figura 73 apresenta o gráfico dos resíduos contra os valores estimados para os dados do MOE, no qual se observa a heterogeneidade da variância (forma afunilada).
150 100
50 100
0
-100
Valores estimados
Resíduos
Resíduos contra valores estimdados
Variável resposta: MOR (MPa)
Figura 73 – Resíduos contra valores estimados para os dados do MOR.
A verificação da normalidade dos resíduos foi feita utilizando o gráfico dos
resíduos contra os escores normais mostrado na figura 74, no qual se observa que os
resíduos não apresentam distribuição normal.
100 0
-100 3
2
1
0
-1
-2
-3
Escores normais
Resíduos
Resíduos contra escores normais
Variável resposta: MOR (MPa)
Figura 74 – Gráfico dos resíduos contra os escores normais para os dados do MOR.
Para verificar a normalidade dos dados realizou-se o teste de Shapiro-Wilk, e concluiu-se que a suposição de normalidade foi rejeitada pelos dados amostrais ao nível de significância α = 0 , 05 .
Valor-p (aproximado): < 0,0100 R: 0,9766 N: 96
Desvio padrão: 57,8551 Média: 105,709
300 200
100 ,999
,99 ,95 ,80 ,50 ,20 ,05 ,01 ,001
Probabilidade
MOR (MPa)
Teste de normalidade (Shapiro-Wilk)
Figura 75 - Teste de normalidade para os dados do MOR.
Portanto foi necessário realizar uma transformação dos dados de forma a se obter uma distribuição normal aproximada tanto para os resíduos, como para a distribuição de freqüências do MOR. A figura 76 apresenta a determinação do λ
ótimopara a transformação de Box-Cox.
5,0 4,5 4,0 3,5 3,0 2,5 2,0 1,5 1,0 0,5 0,0 -0,5 -1,0 800 700 600 500 400 300 200 100 0
Intervalo de confiança de 95%
Desvio padrão
Lambda
Última iteração
31,539 31,561 31,645
0,393 0,337 0,281
Sd Lambda
Sup Es t Inf
Transformação de Box-Cox
Figura 76 – Determinação do λ
ótimopara o MOR.
Observando a figura acima observa-se que o λ
ótimoé 0,337. Substituindo-se este valor na equação 14 tem-se a seguinte equação de transformação:
337 ,
)
0( MOR MOR
T = (30)
A figura 77 apresenta o gráfico dos resíduos contra os valores estimados, no qual se observa a estabilização da variância.
5,5 4,5
3,5 1
0
-1
Valores estimados
Resíduos
Resíduos contra valores estimados
Variável resposta: MOR transformado
Figura 77 – Resíduos contra valores estimados para os dados transformados do MOR.
Para verificar a normalidade dos resíduos, utilizou-se o gráfico dos resíduos
contra os escores normais. A figura 78 mostra este gráfico, no qual se observa a
normalidade dos dados.
1 0
-1 3
2
1
0
-1
-2
-3
Escores normais
Resíduos
Resíduos contra escores normais
Variável resposta: MOR tranformado
Figura 78 – Gráfico dos resíduos contra os escores normais para os dados do MOR.
A verificação a normalidade dos dados foi feita usando o teste de Shapiro- Wilk, e concluiu-se que a suposição de normalidade foi aceita pelos dados amostrais ao nível de significância α = 0 , 05 , conforme mostra a figura 85.
Valor-p (aproximado): > 0,1000 R: 0,9930 N: 96
Desvio padrão: 0,916388 Média: 4,64239
7 6
5 4
3 ,999
,99 ,95 ,80 ,50 ,20 ,05 ,01 ,001
Probabilidade
MOR transformado (MPa)
Teste de normalidade (Shapiro-Wilk)
Figura 79 - Teste de normalidade para os dados transformados do MOR.
Portanto, da análise dos dados transformados observa-se que o modelo da
distribuição normal é adequado para análise dos dados do MOR, sendo assim, a
tabela de análise de variância pode ser utilizada para fazer inferências. Esta é
apresentada na tabela 50.
Tabela 50 – Valores do quadro de ANOVA para os dados do MOR tranformados.
Fonte de variação. SQ gl QM Fcal Valor-p Entre tratamentos
(classes). 53,021 3 17,674 60,77 0,000 Dentro de tratamentos
(Resíduos). 26,757 92 0,291
Total 79,778 95
Da tabela F com (4-1) = 3 graus de liberdade e (96-4) = 92 graus de liberdade, tem-se F
0,05;(3;92)= 2 , 717 . Como F
cal= 60,76 > F
0,05; 3,92= 2,717 a um nível de significância de α = 0 , 05 , pode-se concluir que existe evidência estatística de que existe diferença no MOR médio para os 4 tipos de tratamentos.
Teste de Tukey
Número de tratamentos (k) = 4;
MSE = 0,291;
Graus de liberdade dos resíduos (n - k) = 92;
Então, para
α=0,05tem-se da tabela t de student o valor de t
0,025;92= 1,99. A diferença menos significativa (DMS) é dada por:
309 , 24 0
1 24 291 1 , 0 99 ,
1 =
+
⋅
⋅
=
DMS (31)
A tabela 51 apresenta as comparações múltiplas pareadas.
Tabela 51 - Comparações múltiplas pareadas para as médias do MOR transformado.
Tratamento 1 2 3 4
Média (yt) 3,700 4,189 5,075 5,606
-0,489** -1,375** -1,906**
* -0,886** -1,417**
* -0,549**
Diferença (yi −yj)
*
* (-0,897; -0,082) (-1,782; -0,968) (-2,313; -1,498)
* (-1,292; -0,478) (-1,823; -1,009) IC 95% (yi −yj)
* (0,938; -0,123)
Portanto, conclui-se que existe diferença estatisticamente significativa de
MOR entre as quatro classes visuais de resistência.
5.6 Análise da correlação entre MOR e MOE em relação ao eixo de maior inércia.
A figura 80 apresenta um diagrama de dispersão entre as variáveis MOR e MOE em relação ao eixo de maior inércia. Observa-se a existência de uma relação linear positiva entre as propriedades.
20000 15000
10000 5000
300
200
100
0
MOE (MPa)
MOR (MPa)
S = 34,0254 R-Sq = 64,8 % R-Sq(adj) = 64,4 % MOR (MPa) = 0,0141917 MOE (MPa) -41,2216
I.P. 95%
I.C. 95%
Regres são
Regressão linear simples
Figura 80 – Diagrama de dispersão e reta de regressão entre MOE e MOR.
Análise de resíduos
A figura 81 apresenta o gráfico dos resíduos contra os valores estimados para o MOR, no qual se observa a homogeneidade da variância.
200 100
0 50
0
-50
Valores estimados
Resíduos
Resíduos contra valores estimados
Variável resposta: MOR (MPa)
Figura 81 – Gráfico dos resíduos contra valores estimados para o MOR.
Na figura 82 é apresentado o gráfico dos resíduos contra os escores normais, onde se pode observar que os resíduos apresentam uma distribuição normal aproximada. Pode-se chegar à mesma conclusão pela análise do histograma dos resíduos mostrado na figura 83.
50 0
-50 3
2
1
0
-1
-2
-3
Escores normais
Resíduos
Resíduos contra escores normais
Variável resposta: MOR (MPa)
Figura 82 – Gráfico de probabilidade normal dos resíduos.
100 50
0 -50
10
5
0
Resíduos
Frequência
Histograma dos resíduos
Variável resposta: MOR (MPa)